Bedrifts‑AI avhenger av data folk kan stole på

I 2025 investerte selskaper anslagsvis $30 milliarder til $40 milliarder i generativ AI, men MITs Project NANDA fant at kun 5 prosent av de mer enn 300 bedriftsimplementeringene den undersøkte ga målbare økonomiske resultater.

Jeg har jobbet mer enn 25 år i bedriftsdataprogrammer. Langt før generativ AI kom inn i samtalen, så jeg hvor raskt teknologien mistet troverdighet når folk ikke kunne stole på dataene bak den. Generativ AI øker innsatsen fordi den kan forvandle tvilsomme data til et selvsikkert svar.

Vi pleide å si søppel inn, søppel ut. Nå er det søppel inn, katastrofe ut. Når data så mistenkelige ut, kunne en person bruke sin dømmekraft og kontakte en dataspesialist. Spesialisten ville gjennomføre en rotårsaksanalyse, identifisere problemet og iverksette en løsning. I dag kan agenter handle på hvilken som helst data de møter. Uten kunnskapsrik menneskelig tilsyn kan resultatet bli en del av driften, brukes i beslutninger og skaleres over hele organisasjonen.

Det samme problemet kan dukke opp i en chatbot. Hoppet over styring kan forvandle dårlig eller dårlig forstått data til et svar som høres autoritativt ut, umiddelbart og i stor skala.

Tillitt er den reelle adopsjonsflaskehalsen

Når en intern chatbot gir noen et selvsikkert, men feil svar, vil den personen kanskje ikke stole på den igjen. I en stor organisasjon vil AI også finne data du helst ikke vil at den skal finne. Jeg sammenligner det med de skitne sokkene under sengen: de dataene kan være ute av syne, men AI vil finne den mørke dataen og bruke den.

Kontekst må følge med dataene og være grunnlaget som LLM‑er bygger på. Før en AI-modell bruker data, må folk vite hva de betyr, hvor de kommer fra, hvem som eier dem, og hvilke forretningsregler og retningslinjer som gjelder.

Ledelsen kan overse dette fordi systemet sjelden krasjer. AI kan være selvsikkert feil; den kan foreslå lim til pizzaen din (et svært gammelt eksempel). Tenk deg en chatbot som gir et selvsikkert, men feil svar, og arbeidsstyrken slutter å stole på den. Å gjenoppbygge den tilliten tar mye lenger tid enn å etablere riktige kontroller på forhånd.

Den erosjonen viser seg også i dataene. Ansatte i mer enn 90 prosent av selskapene MIT studerte fortsetter å bruke personlige AI‑verktøy på siden, selv etter at den offisielle piloten arbeidsgiveren deres bygde, ikke klarte å vinne deres tillit. Når det godkjente verktøyet ikke har oppnådd deres tillit, finner ansatte en annen måte å få arbeidet gjort på.

Mye av årets AI‑forskning peker på det samme problemet: organisasjoner går videre med AI før de har gjort arbeidet som gjør dataene deres pålitelige. Gartner har estimert at nesten to tredjedeler av organisasjonene enten mangler riktige datastyringspraksiser for AI eller ikke er sikre på om de har dem. Separat forskning fra IDC fant en lignende mangel på tillitsfronten: 78 prosent av organisasjonene sier de har full tillit til sin AI, men kun 40 prosent har faktisk investert i styrings‑ og forklaringsarbeidet som ville rettferdiggjøre den tilliten.

Uoverensstemmelsen mellom selvtillit og investering forklarer hvorfor så mange AI‑initiativ stopper før de når produksjon eller mislykkes i å samsvare med den tiltenkte verdien.

AI‑styring er nå konkurransefordelen

I store deler av min karriere var datastyring en av de minst glamorøse delene av bedrifts‑IT. Å katalogisere metadata, definere eierskap, profilere data og håndtere arbeidsflyter kunne føles som renholdsarbeid. Folk hoppet ofte over det fordi innsatsen virket større enn verdien det ga.

AI har endret dette. Det blir en styringskapasitet innen områder som å designe datablåkopier, lage bransje‑kuraterte ordlister, og anbefale og aktivere datapolitikker. Selv datalinje kan nå avledes og strømlinjeformes raskere enn før, noe som gjør verdien av administrerte datapipelines og observabilitet lettere å realisere.

Regulering gjør også datatransparens mer presserende. EU AI‑forslaget trådte i kraft bredt 2. august 2026, og inkluderer transparensregler for visse systemer og AI‑generert innhold. Forslaget fastsetter også separate krav for høy‑risiko‑systemer, inkludert dokumentasjon og informasjon som hjelper implementører med å tolke deres resultater, selv om noen høy‑risiko‑bestemmelser følger senere tidslinjer.

For selskaper er den praktiske leksjonen enkel: klar linje og styring gjør det lettere å dokumentere hvilke data som ble brukt, hvor de kom fra, og hvordan systemet skal fungere.

Det regulatoriske bildet i USA er fortsatt uavklart. Uten en omfattende føderal AI‑lov må selskaper navigere ulike delstatlige krav, selv om Det hvite hus prøver å begrense delstatenes evne til å lage og håndheve egne AI‑regler. Colorado sin AI‑lov, den mest omfattende delstatlige rammen som finnes, har allerede blitt utsatt og omskrevet én gang i den kampen, med sine kjerneforpliktelser nå skjøvet til 2027. For mange amerikanske selskaper er fristelsen å vente ut usikkerheten.

Jeg vil hevde at det er feil instinkt. Uansett hvilken regulatorisk modell som til slutt lykkes i USA, vil ikke det underliggende kravet forsvinne. Vet hvor dataene dine kommer fra. Vet om noen faktisk har validert dem før AI bruker dem. Å utvikle den disiplinen nå vil hjelpe selskaper med å forberede seg på ny regulering og omdanne lovende AI‑piloter til verktøy virksomheten kan bruke med selvtillit.

Hva skiller de 5 prosentene

La meg fortelle om en kunde. Deres hovedbokteam måtte gå gjennom 300 separate regneark hver gang en avvik dukket opp i bøkene. Tre hundre. Til slutt bygde noen om hele rotet til en enkelt styrt dataressurs, med beregningene, rapportene og de underliggende dataene samlet og validert på forhånd. Neste gang et problem oppstod, tok løsningen en brøkdel av den innsatsen den tidligere krevde. Bare i den prosessen alene sparte de omtrent 750 arbeidsdager. Det er millioner av dollar i kostnadsbesparelser bare fra å rydde opp i dette.

Forbedringen kom av å gjøre de riktige dataene lett å finne og pålitelige nok til å bruke uten å tvile på dem. Samarbeid og gjenbruk gjorde dette mulig. Pålitelige dataprodukter kan tilpasses bedriftens standarder, utvides og oppgraderes over tid, vurderes for tillit og forvaltes for verdi. Denne tilnærmingen reduserer behovet for å lage hundrevis eller tusenvis av produkter knyttet til individuelle fysiske databastabeller.

Sterke programmer gjør den tilliten synlig. I datamarkedene jeg jobber med, kan ressurser klassifiseres som gull, sølv eller bronse basert på faktorer som kvalitet, kuratering, bruk og eierskap. En forretningsbruker kan se hvor pålitelig en ressurs er før den tas i bruk. Denne synligheten hjelper folk med å slutte å gjette og gjør dem mer villige til å gjenbruke data som allerede finnes.

Tallet 95 prosent er en advarsel om hvor uformelt mange selskaper har behandlet dataene bak generativ AI. Organisasjonene som gjør fremskritt gir folk en klar oversikt over hvor dataene deres kommer fra, hvordan de ble validert, og om de er egnet for oppgaven. Etter år med at datastyring ble behandlet som bakgrunnsarbeid, gjør AI endelig verdien synlig.